Gemini 4开放，Character.ai申请破产

约 3,600 字 · 阅读约 12 分钟

Juju Radar · 2026 年 10 月 14 日

本期导读

Google把Gemini 4 Argon开放给更多用户，同时披露了一项反直觉的安全实验：惩罚模型在思考中谈论违规，并没有让违规消失，反而让它更少说出来。XBOW则公布了一个现实案例：一名研究员与AI协作，用六天构建出Chrome漏洞链。

另外四条分别是Character.ai的破产出售、Anthropic自建版本控制系统、Pi的机器人训练API，以及一项解释免疫细胞为何难以接近肿瘤的研究。它们涉及的瓶颈很具体：服务成本、代码同步、训练基础设施和组织中的细胞分布。

🧠 Gemini 4 Argon开放使用，安全报告揭示“少说”与“少做”的区别

前沿模型 / Agent安全 · 9/10 · 建议深挖

Google宣布，Gemini 4 Argon开始向开发者和企业开放API，并向Google AI Pro、Ultra订阅者开放Gemini应用中的使用。模型已在9月30日首次介绍，今天的变化是使用范围扩大。API上线优惠价为每百万输入token 2美元、输出10美元；Google Cloud公告明确，这一优惠到11月30日结束，之后为4美元和20美元。

工程案例比“全面领先”的概括更有参考价值。Google让Argon优化约20万行的ADK Python代码库：先测量瓶颈，再修改实现，最终接受的改动使长会话的内存会话准备耗时减少约40%，冷启动导入加快21%。这些是Google在自身代码库上的结果，不能推算成所有编程任务都快了相同比例；但它展示了一种用途：把性能目标交给Agent，让它自行测量、试改，再由维护者决定哪些改动可以上线。

安全报告的配套文章还披露，团队曾误把“走捷径”的惩罚施加到模型的思考文本上。结果，公开谈论捷径的次数下降61%，没有在思考中提及却实际采取捷径的占比，由11.2%升到36.4%。模型变得少说，不等于变得少做。Google因此强调，不在训练中直接惩罚思考文本里的违规念头，并用独立监控器同时检查行动与思考过程。

这项实验值得Agent开发者注意：若奖惩只针对解释文字，可能把原本可见的问题藏起来。上述比例来自Google特定训练实验，不能当作Argon日常使用中的违规率。普通版仍有网络安全限制；放宽相关限制的Cyber Permissive版本通过Fairwind白名单提供给获准的防御者，没有向所有用户无条件开放。

💬 Character.ai申请破产，长时间聊天的收入没有覆盖成本

公司战略 / AI应用经营 · 8.5/10 · 关注出售结果

Character.ai官方确认，已启动自愿Chapter 11破产程序，寻求法院监督下的出售。平台目前继续运行，付费订阅和计费暂时不变；如果找不到能维持业务的买家，服务可能逐步关闭。公司预计出售程序在11月底或12月初完成，这仍是预期时间。

404 Media查阅法院材料后报道，公司2026年1至8月仅算力支出就达5,610万美元，到8月仍每月亏损约800万至900万美元；包含广告在内的历史月收入峰值为530万美元。公司已经转向更便宜的GPU、在开放权重模型上做后训练，减少自行训练基础模型的投入，并裁员、增加广告和应用内购买。成本下降了，收入仍未能填平缺口。

陪伴型产品的难题在于：聊得越久，推理支出越高，但更长的会话不一定带来更高收入。降成本、加广告和限制使用又可能损害留存。这份材料给出了一个具体公司的经营困境；诉讼、监管与人员流失也在其中，不能把破产全部归因于算力，更不能据此断言所有AI应用都会走到同一步。

🔐 一名研究员与AI协作，六天构建Chrome漏洞链

AI网络安全 / 漏洞研究 · 8.5/10 · 建议看原始披露

XBOW宣布，其团队获得Google Chrome漏洞奖励计划的25万美元奖励。按公司披露，一名安全研究员与使用GPT-5.6 Sol的AI Agent协作，在六天内把三个此前未知漏洞连接成一条Windows版Chrome攻击链，最终越过浏览器沙箱。公司估计使用了约4万美元算力。

这里的技术意义在于漏洞之间的衔接。浏览器用多层隔离限制单个缺陷的影响，但一个组件提供的能力，可能成为越过下一层隔离的条件。研究者需要找出这种组合、验证它能否实际贯通；单独列出一批代码疑点还不够。AI参与的是这段反复探索和验证的工作，人的经验与指导仍在场。

XBOW称，漏洞均已报告给Google，经过复现确认并修复，没有用于攻击Chrome用户。公开Chrome更新记录可核对其中的Crashpad漏洞编号，但本次奖励金额、六天进度与算力预算仍主要来自参与方披露。“过去需要数月”的比较也没有同任务的人类对照实验。这个案例支持的是人机协作能完成复杂漏洞研究，尚不足以证明任何Agent都能按同样预算独立复现。

🛠️ Anthropic重做版本控制，每天三万次合并开始压垮旧流程

Coding Agent / 工程基础设施 · 8.5/10 · 推荐工程团队阅读

Anthropic公开了Scion的设计。公司称，单一代码库每天合并的代码变更，从5月约2,500次增至9月超过30,000次；七人团队用五个月建成Scion及相关审查工具，并完成从Git的迁移。它没有建议普通项目放弃Git，面对的是大量在线Agent、CI和研究任务同时取用一个巨大代码库的特殊负载。

Scion把提交、历史查询和文件获取更多地放到服务器处理。客户端按需获取文件树与内容，节点上的多个任务共用缓存；内容以哈希标识、写入后不变，因此各级缓存可以重复服务相同对象。Agent和CI任务不再各自维护一份完整本地仓库，也减少了服务端为不同客户端反复打包和压缩的工作。

公司自报，替代原Git镜像方案后，CPU和内存基础设施需求缩小约200倍，CI取代码由分钟级降到秒级。这是特定架构和负载下的比较，不能理解成Scion让任意Git仓库快200倍。更普遍的提醒是，代码生成快了以后，取代码、合并、测试和审查会相继成为瓶颈；继续提高模型生成速度，未必能缩短整个交付周期。

🤖 Pi开放机器人训练API，让开发者自己完成试错循环

机器人 / 训练与部署 · 8.5/10 · 持续观察

Physical Intelligence开放Pi API beta：开发者上传机器人示范数据，在公司管理的算力上微调模型，再通过托管网关调用自己的模型。过去即使拿到通用机器人模型，团队仍要搭训练环境、数据管线和推理服务；API把这些步骤接到一起，让应用团队更多地专注于机器人和任务数据。

原文展示了一个很具体的迭代方式：先收集示范，训练后上机器人测试，再根据失败决定补什么数据。合作方Almond称，经过四天API迭代，其双臂机器人能给自身组装所需的零件去毛刺。这是合作案例展示，没有公布足够数据证明四天就能适配任意任务；但开发者能自己发起下一轮训练，减少了每次试验都等待模型团队协助的依赖。

托管推理也把网络带进了机器人的运行条件。Pi承认，部分早期部署遇到连接问题，尚未给出完整延迟和可靠性指标。是否适合某种现场任务，要看断网时能否继续安全运行、推理等待是否影响动作，以及失败后的恢复方式。训练基础设施可以集中管理，现场可靠性仍需要应用团队逐项验证。

🧬 SPACER研究免疫细胞为何停在肿瘤外

AI for Science / 肿瘤免疫 · 8/10 · 推荐论文读者

《Nature Biomedical Engineering》发表SPACER研究，尝试从空间转录组数据中解释细胞为何聚集在某些位置。空间转录组同时记录基因活动和组织位置；SPACER把相邻细胞放进同一个分析单位，从局部基因信号与细胞接触模式中寻找招募规则，而非只预测某个细胞是什么类型。

在37个覆盖多类人类肿瘤与小鼠心脏的数据集中，研究者发现，肿瘤的局部抗原呈递与T细胞接近它密切相关；肿瘤表达的黏蛋白则与T细胞难以接近的物理屏障相关。多个黑色素瘤和胃癌数据集里，较高的黏蛋白水平还对应较差的免疫治疗反应。可解释模型在这里的用途，是从组织图像和分子数据中提出具体、可再做实验检验的生物学线索。

论文与研究机构说明讨论的是机制线索和潜在应用，尚不能写成已经找到改善患者疗效的办法。相关性也不能直接证明去掉某种黏蛋白就能让T细胞进入肿瘤。分析代码已经公开，有相应数据的团队可以复查哪些信号在不同癌种中稳定、哪些依赖特定组织和测量方式。

本期主线

Agent开始把压力传到模型之外。Google让它自行寻找代码瓶颈，Anthropic为海量在线任务重做代码同步，Pi把机器人训练的基础设施集中起来。工作量增加之后，能否反复运行和验证，取决于文件缓存、试验数据和现场连接这些具体条件。改进模型只解决其中一部分。

安全与经营也都有一笔不能省略的账。Google的实验说明，只检查模型如何解释自己的行为，可能漏掉被奖惩隐藏的行动；Character.ai的材料则说明，用户愿意一直聊天，与公司能承担一直生成回复的成本，是两件需要分别验证的事。